IT之家 8 月 21 日消息,刚刚发布特斯拉软件更新 2022.16.3.10(即全自动驾驶 FSD 10.69)。@ACPixel 放出了新版本的发行说明。
在矢量车道 (Vector Lanes) 神经网络中增加了一个新的 "深度车道引导" 模块,该模块将从视频流中提取的特征与粗略的地图数据,即车道数和车道连接性融合在一起。与以前的模型相比,这种架构在车道拓扑结构上实现了 44% 的错误率,在车道及其连接性变得视觉上明显之前实现了更平滑的控制。这提供了一种方法,使每一个自动驾驶仪的驾驶效果与某人驾驶自己的通勤一样好,但又能以足够普遍的方式适应道路变化。
通过更好地模拟轨迹规划中的系统和驱动延迟,在不牺牲延迟的情况下,提高了整体驾驶的平稳性。现在,轨迹规划器独立考虑了从转向指令到实际转向驱动的延迟,以及加速和制动指令到驱动的延迟。这导致了一个更准确的车辆驾驶模型的轨迹。这允许更好的下游控制器跟踪和平稳性,同时也允许在苛刻的操纵过程中做出更准确的反应。
在接近和离开中间交叉区域时,在高速交叉交通的情况下,改进了无保护的左转弯,其速度曲线更合适("Chuck Cook 风格" 的无保护左转弯)。这是通过允许可优化的初始抽动来实现的,以模仿人类在需要在高速物体前行驶时踩下的严厉的踏板。还改进了接近这种安全区域的侧向轮廓,以允许更好的姿势,使其在离开该区域时能很好地对齐。最后,改进了与正在进入或在中间交叉区域内等待的物体的互动,更好地模拟了它们的未来意图。
增加了对来自占用网络的任意低速移动量的控制。这也使更精确的物体形状得到更精细的控制,这些物体不容易用立方体基元表示。这需要预测每个三维体素的速度。我们现在可以对缓慢移动的 UFO 进行控制。
升级了占位网络,使用视频而不是单一时间步骤的图像。这种时间背景使网络对暂时性的闭塞具有鲁棒性,并能预测占用流。同时,通过语义驱动的离群点剔除、硬例挖掘和增加 2.4 倍的数据集规模,改进了基础真相。
升级到一个新的两阶段架构,以产生物体运动学(如速度、加速度、偏航率),其中网络计算被分配为 O(对象)而不是 O(空间)。这将远处过路车辆的速度估计提高了 20%,而使用的计算量只有十分之一。
通过改善交通信号灯与滑行道的关联和让行标志与滑行道的关联,提高了受保护的右转弯的平稳性。这减少了没有相关物体存在时的错误减速,也改善了存在时的让行位置。
减少了人行横道附近的错误减速。这是在根据行人和骑自行车者的运动来改进对他们意图的理解。
通过全矢量车道神经网络的更新,将自我相关车道的几何误差提高了 34%,交叉车道提高了 21%。通过增加每个摄像头特征提取器、视频模块、自回归解码器内部的大小,以及增加硬性注意机制,大大改善了车道的精细位置,消除了网络架构中的信息瓶颈。
在匍匐前进的时候,使速度曲线更加舒适,以便在保护可能被遮挡的物体时能更顺利地停止。
通过将自动标记的训练集的大小增加一倍,使动物的回忆率提高了 34%。
在任何有物体可能穿越自我路径的交叉口,无论是否有交通管制,都能爬行以获得可见性。
通过允许轨迹优化中的动态分辨率,提高了在有交叉物体的关键场景中停止位置的准确性,使其更多地关注更精细控制的区域。
通过让拓扑标记参与自回归解码器的注意操作,以及增加训练期间应用于分叉标记的损失,将分叉车道的召回率提高了 36%。
通过改进作为神经网络输入的车载轨迹估计,将行人和自行车的速度误差提高了 17%,特别是当自我正在转弯时。
通过调整训练期间使用的损失函数和提高标签质量,提高了物体检测的召回率,消除了 26% 的远处过路车辆的漏检。
通过将偏航率和横向运动纳入似然估计,改善了高偏航率情况下的物体未来路径预测。这有助于物体转入或离开自我的车道,特别是在交叉路口或切入场景中。
通过更好地处理即将到来的地图速度变化,提高了进入高速公路时的速度,这增加了并入高速公路的信心。
通过考虑领先车辆的颠簸,减少了从停止处启动时的延迟。
通过评估他们当前的运动状态和预期的制动曲线,能够更快地识别闯红灯者。
IT之家知悉,特斯拉的 FSD Beta 计划目前在北美拥有大约 100000 多名公开测试人员。
在上一次财报电话会议上,马斯克透露,FSD Beta 测试测试团队已经行驶了超过 3500 万英里,远远超过其竞争对手。到今年年底,FSD Beta 测试人员的数量可能会进一步增长。马斯克还表示, 用于右舵的的特斯拉 Beta 版将在 2022 年底前发布。
本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/636/301.htm]